今日速览
| 序号 | 标题 | 来源 | 日期 | 主题 | 推荐等级 |
|---|---|---|---|---|---|
| 1 | Agent Skill Security: Threat Models, Attacks, Defenses, and Evaluation | arXiv | 2026-07-15 | AI-Agent | 高 |
| 2 | NNStar: An end-to-end AI agent for nuclear matter and neutron star physics | arXiv | 2026-07-15 | AI-Agent | 高 |
重点论文与技术动态
1. Agent Skill Security: Threat Models, Attacks, Defenses, and Evaluation
- 来源：arXiv
- 日期：2026-07-15
- 作者/机构：Sanket Badhe, Priyanka Tiwari
- 主题标签：
AI-Agent,arXiv - 推荐等级：高
- 分类：cs.CR
一句话结论
可重用代理技能的安全漏洞贯穿生命周期各阶段，需生命周期感知的安全分析。
本研究通过构建SkillSec-Eval框架，对327个真实技能进行实证评估，发现安全风险不仅存在于执行阶段，还广泛分布于仓库接纳、语义检索等环节，揭示了现有安全研究的局限性。
核心内容
- 现有安全研究主要聚焦提示注入和运行时执行，忽略技能生命周期的其他阶段，导致安全风险被忽视。
- 提出SkillSec-Eval框架，开发覆盖仓库接纳、语义检索、规划器选择、执行和技能演化的威胁分类法。
- 实证评估使用327个真实技能，证实漏洞在执行之外的多个生命周期阶段普遍存在。
方法与数据
- 方法：SkillSec-Eval框架基于生命周期感知的威胁分类法。
- 数据：基于327个真实世界技能的仓库进行评估。
价值判断
- 值得关注：首次系统性探索可重用技能生命周期安全风险，填补研究空白。
- 可复用点：SkillSec-Eval框架可直接推广至其他LLM代理安全评估场景。
- 局限/待核查：摘要未明确。
摘要
Reusable skills are becoming a fundamental building block of Large Language Model (LLM) agents, enabling capabilities to be packaged, shared, and reused across diverse applications. However, existing security research primarily focuses on prompt injection and runtime execution, leaving security risks throughout the broader skill lifecycle largely unexplored. In this paper, we present SkillSec-Eval, a lifecycle-aware framework for systematically evaluating the security of reusable agent skills. We first characterize the skill lifecycle and develop a threat taxonomy spanning repository admission, semantic retrieval, planner selection, execution, and skill evolution. We then instantiate this taxonomy in SkillSec-Eval and conduct a comprehensive empirical evaluation using a repository of 327 real-world skills. Our study demonstrates that vulnerabilities arise at multiple lifecycle stages beyond execution, highlighting the need for lifecycle-aware security analysis of reusable agent skills.2. NNStar: An end-to-end AI agent for nuclear matter and neutron star physics
- 来源：arXiv
- 日期：2026-07-15
- 作者/机构：Yao Ma, Yong-Liang Ma, Jia-Ying Xiong
- 主题标签：
AI-Agent,arXiv - 推荐等级：高
- 分类：nucl-th, astro-ph.HE, physics.comp-ph
一句话结论
NNStar为核物质和中子星观测分析提供了一种新的AI驱动框架，显著提升模型约束效率。
核心内容
- 自动化处理核物质和中子星观测数据的模型约束，涵盖从亚饱和核物质性质到中子星质量、半径及潮汐形变的多尺度数据。
- 作为开放大语言模型平台的便携式技能，实现模型读取、参数拟合及可观测数据报告的全自动化，无需人工干预。
- 集成符号和数值物理引擎，直接从拉格朗日量构建相对论平均场模型，求解平均场运动方程，构建β平衡方程态并拼接地壳，通过贝叶斯联合分析评分。
方法与数据
- 基于开放大语言模型平台，结合符号和数值物理引擎。
- 摘要未明确具体数据来源。
价值判断
- 值得关注：有效解决高维模型耦合空间探索的劳动密集型问题，大幅降低时间成本。
- 可复用点：便携式技能设计，可轻松集成到其他AI代理平台，促进跨领域应用。
- 局限/待核查：摘要未明确提及局限。